MARC

 008260126s2025        us                              c    eng  d
■001000017359906
■00520260202105234
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291567586
■035    ▼a(MiAaPQ)AAI32271925
■035    ▼a(MiAaPQ)umichrackham006401
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aShen,  Minghao.
■24510▼aData-Driven  Connected  Cruise  Control  for  Mixed  Traffic  Environments
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a124  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Orosz,  Gabor.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aModern  transportation  systems  are  undergoing  a  significant  transformation  toward  higher  level  of  automation  and  broader  penetration  of  connectivity.  This  shift  is  driven  by  the  promise  of  improved  safety,  enhanced  traffic  efficiency,  and  reduced  energy  consumption.  However,  realizing  these  benefits  in  practice  faces  a  fundamental  challenge:  the  presence  of  mixed  traffic  environments  where  connected  and  automated  vehicles  (CAVs)  must  coexist  with  human-driven  vehicles  (HVs),  non-connected  automated  vehicles  (AV),  and  connected  human-driven  vehicles.  In  such  transitional  settings,  the  assumptions  of  full  connectivity  and  high-level  cooperation  no  longer  hold,  necessitating  robust  and  scalable  control  policies  that  can  perform  effectively  under  partial  observability  and  sparse  connectivity.  This  dissertation  presents  a  comprehensive  framework  for  data-driven  Connected  Cruise  Control  (CCC),  aiming  to  leverage  vehicle-to-vehicle  (V2V)  and  vehicle-to-everything  (V2X)  communications  to  improve  longitudinal  vehicle  control  under  realistic  constraints.  The  work  systematically  develops  both  reactive  and  predictive  CCC  algorithms  that  incorporate  beyond-line-of-sight  information  from  connected  vehicles,  even  in  the  presence  of  unknown  or  stochastic  behavior  from  other  traffic  participants.  The  first  part  of  the  dissertation  focuses  on  reactive  CCC,  where  a  feedback  control  strategy  is  formulated  to  synchronize  vehicle  speeds  and  enhance  string  stability  by  responding  to  multiple  leading  vehicles.  A  novel  spectral  analysis  framework  is  introduced,  which  enables  data-driven  controller  optimization  by  modeling  traffic  fluctuations  as  stationary  stochastic  processes.  This  approach  provides  a  surrogate  model  for  energy  consumption,  allowing  closed-form  characterization  of  optimal  controller  parameters  based  on  the  spectral  properties  of  traffic  data.  The  theoretical  results  are  validated  through  both  synthetic  simulations  and  experimental  vehicle  trajectory  datasets.  The  second  part  introduces  a  predictive  CCC  framework  based  on  model  predictive  control  (MPC).  This  controller  utilizes  connectivity  information  to  predict  future  motions  of  nearby  vehicles,  including  those  beyond  direct  sensor  range,  and  optimizes  control  inputs  accordingly.  Extensions  to  estimate  the  number  and  influence  of  hidden  vehicles  are  developed  to  enhance  robustness  in  partially  observable  settings.  Simulation  studies  show  that  predictive  CCC  can  significantly  outperform  conventional  adaptive  cruise  control  in  terms  of  energy  efficiency  and  ride  comfort.  Building  upon  these  foundational  results,  the  final  part  of  the  dissertation  advances  a  data-driven  predictive  control  architecture  that  bypasses  the  need  for  precise  vehicle  models.  Instead,  it  uses  system  identification  tools  grounded  in  behavioral  theory  of  linear  time-invariant  (LTI)  systems.  A  key  contribution  is  the  introduction  of  a  memory  sketching  technique,  which  enables  real-time  implementation  by  compressing  incoming  data  streams  into  fixed-size  summaries.  This  drastically  reduces  computational  complexity  and  memory  usage  without  sacrificing  prediction  accuracy,  thus  making  the  approach  scalable  for  real-world  deployment.  Together,  the  contributions  of  this  dissertation  demonstrate  a  cohesive  and  scalable  approach  to  integrating  data-driven  techniques  with  connected  vehicle  control.  By  addressing  the  challenges  posed  by  sparse  connectivity,  uncertain  driver  behavior,  and  real-time  implementation,  this  work  lays  a  foundation  for  practical  connected  cruise  control  systems  that  are  ready  for  deployment  in  today's  mixed  traffic  environments.  The  proposed  methods  not  only  improve  energy  efficiency  and  traffic  flow  but  also  represent  a  significant  step  toward  the  broader  vision  of  intelligent,  cooperative,  and  sustainable  transportation  systems.
■590    ▼aSchool  code:  0127.
■650  4▼aMechanical  engineering
■650  4▼aEngineering
■650  4▼aAutomotive  engineering
■653    ▼aData-driven  control
■653    ▼aConnected  and  automated  vehicle
■653    ▼aHuman-driven  vehicles
■653    ▼aAutomated  vehicles
■653    ▼aConnected  Cruise  Control
■690    ▼a0548
■690    ▼a0537
■690    ▼a0540
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359906▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서